基于改進(jìn)分裂 h-k 聚類方法的風(fēng)電場機群劃分方法
【專利摘要】一種基于改進(jìn)分裂H?K聚類方法的風(fēng)電場機群劃分方法，包括：采用分裂層次聚類算法，將風(fēng)機的參數(shù)劃分成k個簇，其中k是風(fēng)電場劃分?jǐn)?shù)目；在所有簇中尋找具有最大直徑的簇C；找出簇C中與其它點平均相異度最大的一個點p，并將其放入一個新的簇中；在簇C中尋找目標(biāo)點，該目標(biāo)點到新的簇中的點的距離不大于到簇C中最近的點，并將目標(biāo)點放入新的簇中；計算不同k值時的輪廓系數(shù)，根據(jù)輪廓系數(shù)確定最優(yōu)聚類數(shù)；在最優(yōu)聚類數(shù)的狀態(tài)下，計算出聚類中心來代替k均值聚類算法中的隨機聚類中心以進(jìn)行聚類；計算簇C中的剩余點到各個聚類中心的距離并將各個剩余點分配進(jìn)入最近的類別中，分配完成后計算新的聚類中心；然后以聚類結(jié)果為準(zhǔn)建立新的風(fēng)電場模型進(jìn)行仿真模擬。
【專利說明】
基于改進(jìn)分裂H-K聚類方法的風(fēng)電場機群劃分方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及風(fēng)力發(fā)電系統(tǒng)領(lǐng)域，更具體地說，本發(fā)明設(shè)及一種基于改進(jìn)分裂H-K 化ierarchical K-means)聚類方法的風(fēng)電場機群劃分方法，其可應(yīng)用于建立大型風(fēng)電場等 值模型，運用輪廓系數(shù)并加 W合適的準(zhǔn)則解決機群劃分?jǐn)?shù)目問題，利用本發(fā)明提出的聚類 方法完成風(fēng)電場聚類，最終建立等值模型。
【背景技術(shù)】
[0002] 隨著風(fēng)電技術(shù)的不斷發(fā)展和發(fā)電成本的不斷降低，風(fēng)力發(fā)電技術(shù)受到的關(guān)注程度 越來越高，但相對于傳統(tǒng)能源來說，風(fēng)電可W說是"劣質(zhì)電源"因為風(fēng)電是具有間歇性和隨 機波動性的特殊電源，因此其輸出功率也具有很強的不確定性。當(dāng)大規(guī)模的風(fēng)電場并網(wǎng)運 行后會對電網(wǎng)的穩(wěn)定性和電能質(zhì)量帶來巨大的影響。目前在分析大規(guī)模風(fēng)電場并網(wǎng)后產(chǎn)生 的影響，首先需要解決的問題是大規(guī)模風(fēng)電場建模。早期研究人員是對風(fēng)電場中的每臺風(fēng) 機進(jìn)行詳細(xì)建模，但是運種方法隨著風(fēng)電場規(guī)模的不斷擴大，逐漸開始變得越來越困難，因 此研究建立一個相對簡單并能夠刻畫風(fēng)電場的模型變得很重要，即建立風(fēng)電場對電網(wǎng)的外 特性模型。目前對于風(fēng)電場動態(tài)模型主要使用簡化的等值模型主要有兩種方式即單機等值 模型和多機等值模型。相對來說多機等值模型的準(zhǔn)確度更高。
[0003] 但就目前來說，等值模型的建立都存在相應(yīng)的問題，對于機群劃分?jǐn)?shù)目沒有明確 的標(biāo)準(zhǔn)，采用的都是經(jīng)驗方法居多。因此，需要提供一種符合實際的需求的劃分方式和簡明 的劃分指標(biāo)，確保建立模型的準(zhǔn)確性。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明所要解決的技術(shù)問題是針對現(xiàn)有技術(shù)中存在上述缺陷，提供一種基于聚類 算法的大規(guī)模風(fēng)電場建模，通過輪廓系數(shù)確定最優(yōu)的聚類數(shù)目，并詳細(xì)分析風(fēng)機運行機理 選擇合適的聚類指標(biāo)，在保證模型精確的同時降低多機模型復(fù)雜程度。就目前來說關(guān)于輪 廓系數(shù)在風(fēng)電場等值建模方面沒有詳細(xì)的描述，在相關(guān)方面沒有深入探究。
[0005] 為了實現(xiàn)上述技術(shù)目的，根據(jù)本發(fā)明，提供了一種基于改進(jìn)分裂H-K聚類方法的風(fēng) 電場機群劃分方法，包括：
[0006] 第一步驟:采用分裂層次聚類算法，將風(fēng)機的參數(shù)劃分成k個簇，其中k是風(fēng)電場劃 分?jǐn)?shù)目；
[0007] 第二步驟:在所有簇中尋找具有最大直徑的簇C用于數(shù)據(jù)的分裂；
[000引第=步驟:找出簇C中與其它點平均相異度最大的一個點P，并將其放入一個新的 簇中；
[0009] 第四步驟:在簇C中尋找目標(biāo)點，該目標(biāo)點到新的簇中的點的距離不大于到簇C中 最近的點，并將目標(biāo)點放入新的簇中；
[0010] 第五步驟:計算不同k值時的輪廓系數(shù)，根據(jù)輪廓系數(shù)確定最優(yōu)聚類數(shù)；
[0011] 第六步驟:在最優(yōu)聚類數(shù)的狀態(tài)下，計算出聚類中屯、來代替k-means聚類化均值聚 類)算法中的隨機聚類中屯、W進(jìn)行聚類；
[0012] 第屯步驟:計算簇C中的剩余點到各個聚類中屯、的距離并將各個剩余點分配進(jìn)入 最近的類別中，分配完成后計算新的聚類中屯、；
[0013] 第八步驟:然后W聚類結(jié)果為準(zhǔn)建立新的風(fēng)電場模型進(jìn)行仿真模擬。
[0014] 優(yōu)選地，第五步驟中輪廓系數(shù)的計算公式為：
[0015]
[0016] 其中m是簇中的元素 Xi到本簇中其它元素之間的平均距離，nil是簇中的元素 Xi到 其它簇中元素平均距離的最小值。
[0017] 優(yōu)選地，S(i)的值域在[-1,1]之間。
[001引優(yōu)選地，k為不小于2的整數(shù)。
[0019] 優(yōu)選地，在所有簇中，簇C中存在歐式距離最大的兩個點。
[0020] 優(yōu)選地，在簇C中沒有分配到新的簇中的目標(biāo)點時結(jié)束第四步驟并執(zhí)行第五步驟。
[0021] 根據(jù)本發(fā)明的基于改進(jìn)分裂H-K聚類方法的風(fēng)電場機群劃分方法能夠適合大規(guī)模 風(fēng)電場等值模型，其基于H-K聚類算法的風(fēng)電場建模，是將k-means聚類方法和層次聚類方 法在數(shù)據(jù)處理上的優(yōu)缺點結(jié)合在一起，先使用層次聚類算法獲取初始信息，然后使用k- means聚類算法進(jìn)一步完善聚類過程。在本發(fā)明中將H-K聚類方法和使用輪廓系數(shù)優(yōu)化聚類 數(shù)目運兩者結(jié)合到一起，明確劃分機群的數(shù)目運樣可W使建立的風(fēng)電場模型更加符合實際 情況。
[0022] 本發(fā)明基于H-K聚類算法的風(fēng)電場建模，給予機群劃分確立一個明確的標(biāo)準(zhǔn)，W此 為基礎(chǔ)界定大規(guī)模風(fēng)電場進(jìn)行多機等值建模時所需要的等值機型的數(shù)目，再次之后選擇合 適的聚類指標(biāo)，運用H-K聚類算法進(jìn)行風(fēng)電場聚類建模。確保建模的高效和準(zhǔn)確。
【附圖說明】
[0023] 結(jié)合附圖，并通過參考下面的詳細(xì)描述，將會更容易地對本發(fā)明有更完整的理解 并且更容易地理解其伴隨的優(yōu)點和特征，其中：
[0024] 圖1示意性地示出了根據(jù)本發(fā)明優(yōu)選實施例的基于改進(jìn)分裂H-K聚類方法的風(fēng)電 場機群劃分方法的流程圖。
[0025] 圖2示意性地示出了根據(jù)本發(fā)明優(yōu)選實施例的按照變量聚類的輪廓值。
[0026] 需要說明的是，附圖用于說明本發(fā)明，而非限制本發(fā)明。注意，表示結(jié)構(gòu)的附圖可 能并非按比例繪制。并且，附圖中，相同或者類似的元件標(biāo)有相同或者類似的標(biāo)號。
【具體實施方式】
[0027] 為了使本發(fā)明的內(nèi)容更加清楚和易懂，下面結(jié)合具體實施例和附圖對本發(fā)明的內(nèi) 容進(jìn)行詳細(xì)描述。
[002引對整體方法進(jìn)行詳細(xì)描述，首先在MATLAB中搭建仿真模型，建立一個風(fēng)電場的詳 細(xì)模型。在不同風(fēng)速狀況下進(jìn)行風(fēng)場的仿真模擬，并保存風(fēng)電場相關(guān)的輸出曲線，在深入分 析風(fēng)機的運行機理后選擇合適的指標(biāo)作為初始數(shù)據(jù)輸入算法中進(jìn)行詳盡的計算，附圖1為 本發(fā)明中算法部分的流程圖，算法按照如下步驟進(jìn)行處理：
[0029] 第一步驟SI:采用分裂層次聚類算法，將風(fēng)機的參數(shù)劃分成k個簇，其中k是風(fēng)電場 劃分?jǐn)?shù)目。其中為了貼合實際并減少運算量，k值可W從2開始選擇根據(jù)風(fēng)場規(guī)模設(shè)置上限； 即，k為不小于2的整數(shù)。
[0030] 第二步驟S2:在所有簇中尋找具有最大直徑的簇C(即，在所有簇中，簇C中存在歐 式距離最大的兩個點）用于數(shù)據(jù)的分裂。
[0031] 第=步驟S3:找出簇C中與其它點平均相異度最大的一個點P，并將其放入一個新 的簇中。
[0032] 第四步驟S4:在簇C中尋找目標(biāo)點，該目標(biāo)點到新的簇中的點的距離不大于到簇C 中最近的點，并將目標(biāo)點放入新的簇中。在簇C中沒有分配到新的簇中的目標(biāo)點時結(jié)束第四 步驟S4并執(zhí)行第五步驟S5。
[0033] 第五步驟S5:計算不同k值時的輪廓系數(shù)，根據(jù)輪廓系數(shù)確定最優(yōu)聚類數(shù)，其中輪 廓系數(shù)的計算公式為：
[0034]
[0035] 其中m是簇中的元素 Xi到本簇中其它元素之間的平均距離，nil是簇中的元素 Xi到 其它簇中元素平均距離的最小值，而且S(i)的值域在[-1,1]之間；
[0036] 輪廓系數(shù)越接近于1說明該元素在一個緊密獨立的集體中；越接近于-1則說明元 素不屬于該簇;若輪廓系數(shù)為0則表明樣本集中不存在自然簇結(jié)構(gòu)，而是均勻分布的結(jié)構(gòu)。
[0037] 例如，在不同k值狀態(tài)下，計算各臺風(fēng)機參數(shù)相對于本簇中屯、的輪廓值，并且可W 建立一個輪廓值曲線圖，W輪廓值之和最大并且相對曲線均比較傾向1的k值為最優(yōu)聚類 數(shù)。
[0038] 第六步驟S6:在最優(yōu)聚類數(shù)的狀態(tài)下，即確定的最優(yōu)的風(fēng)電場劃分?jǐn)?shù)目下，計算出 聚類中屯、來代替k-means聚類算法中的隨機聚類中屯、W進(jìn)行聚類。
[0039] 第屯步驟S7:計算簇C中的剩余點到各個聚類中屯、的距離并將各個剩余點分配進(jìn) 入最近的類別中，分配完成后計算新的聚類中屯、。優(yōu)選地，若第屯步驟S7計算的聚類中屯、的 發(fā)生變化則重新計算聚類中屯、再次進(jìn)行剩余點分配直至收斂。
[0040] 第八步驟S8:然后W聚類結(jié)果為準(zhǔn)建立新的風(fēng)電場模型進(jìn)行仿真模擬，并且優(yōu)選 地還可W與之前的所保存的詳細(xì)模型的輸出曲線進(jìn)行對比分析。
[0041] 下面結(jié)合具體事例，對本發(fā)明做進(jìn)一步描述，W24臺風(fēng)機構(gòu)成一個風(fēng)電場進(jìn)行分 析，風(fēng)機初始數(shù)據(jù)設(shè)定見表1(數(shù)據(jù)均為標(biāo)么值），定風(fēng)速是指在12m/s是風(fēng)機輸出功率，在兩 種風(fēng)速模式運行，第一種為基本風(fēng)和漸進(jìn)風(fēng)的疊加;第二種為波動風(fēng)速W恒定風(fēng)速和高斯 白噪聲信號合成。選擇聚類指標(biāo)進(jìn)行聚類，在不同聚類數(shù)下的輪廓值如圖2所示。
[0042] 表1風(fēng)機初始參數(shù)
[0043]
[0
[0045] 根據(jù)圖2所示的計算結(jié)果顯示，聚成3類時結(jié)果最優(yōu)，然后設(shè)定等值風(fēng)機模型共有 為討幾等值模型，等值模型參數(shù)計算依照等值模式進(jìn)行。
[0046] 需要說明的是，除非特別說明或者指出，否則說明書中的術(shù)語"第一"、"第二"、"第 立"等描述僅僅用于區(qū)分說明書中的各個組件、元素、步驟等，而不是用于表示各個組件、元 素、步驟之間的邏輯關(guān)系或者順序關(guān)系等。
[0047] 可W理解的是，雖然本發(fā)明已W較佳實施例披露如上，然而上述實施例并非用W 限定本發(fā)明。對于任何熟悉本領(lǐng)域的技術(shù)人員而言，在不脫離本發(fā)明技術(shù)方案范圍情況下， 都可利用上述掲示的技術(shù)內(nèi)容對本發(fā)明技術(shù)方案作出許多可能的變動和修飾，或修改為等 同變化的等效實施例。因此，凡是未脫離本發(fā)明技術(shù)方案的內(nèi)容，依據(jù)本發(fā)明的技術(shù)實質(zhì)對 W上實施例所做的任何簡單修改、等同變化及修飾，均仍屬于本發(fā)明技術(shù)方案保護(hù)的范圍 內(nèi)。
【主權(quán)項】
1. 一種基于改進(jìn)分裂H-K聚類方法的風(fēng)電場機群劃分方法，其特征在于包括： 第一步驟:采用分裂層次聚類算法，將風(fēng)機的參數(shù)劃分成k個簇，其中k是風(fēng)電場劃分?jǐn)?shù) 目； 第二步驟:在所有簇中尋找具有最大直徑的簇C用于數(shù)據(jù)的分裂； 第三步驟:找出簇C中與其它點平均相異度最大的一個點p，并將其放入一個新的簇中； 第四步驟:在簇C中尋找目標(biāo)點，該目標(biāo)點到新的簇中的點的距離不大于到簇C中最近 的點，并將目標(biāo)點放入新的簇中； 第五步驟:計算不同k值時的輪廓系數(shù)，根據(jù)輪廓系數(shù)確定最優(yōu)聚類數(shù)； 第六步驟:在最優(yōu)聚類數(shù)的狀態(tài)下，計算出聚類中心來代替k均值聚類算法中的隨機聚 類中心以進(jìn)行聚類； 第七步驟:計算簇C中的剩余點到各個聚類中心的距離并將各個剩余點分配進(jìn)入最近 的類別中，分配完成后計算新的聚類中心； 第八步驟:然后以聚類結(jié)果為準(zhǔn)建立新的風(fēng)電場模型進(jìn)行仿真模擬。2. 根據(jù)權(quán)利要求1所述的基于改進(jìn)分裂Η-K聚類方法的風(fēng)電場機群劃分方法，其特征在 于，第五步驟中輪廓系數(shù)的計算公式為：其中m是簇中的元素xi到本簇中其它兀素之間的肀均跑離，πη是簇中的元素Xi到其它簇 中元素平均距離的最小值。3. 根據(jù)權(quán)利要求2所述的基于改進(jìn)分裂Η-K聚類方法的風(fēng)電場機群劃分方法，其特征在 于，S(i)的值域在[_1，1]之間。4. 根據(jù)權(quán)利要求1或2所述的基于改進(jìn)分裂Η-K聚類方法的風(fēng)電場機群劃分方法，其特 征在于，k為不小于2的整數(shù)。5. 根據(jù)權(quán)利要求1或2所述的基于改進(jìn)分裂Η-K聚類方法的風(fēng)電場機群劃分方法，其特 征在于，在所有簇中，簇C中存在歐式距離最大的兩個點。6. 根據(jù)權(quán)利要求1或2所述的基于改進(jìn)分裂Η-K聚類方法的風(fēng)電場機群劃分方法，其特 征在于，在簇C中沒有分配到新的簇中的目標(biāo)點時結(jié)束第四步驟并執(zhí)行第五步驟。
【文檔編號】G06Q50/06GK105956318SQ201610334655
【公開日】2016年9月21日
【申請日】2016年5月19日
【發(fā)明人】朱成亮, 劉三明, 王致杰, 殷建煒, 潘磊
【申請人】上海電機學(xué)院